論文の概要: CALIPER: Clean Scenes Cannot Rank Physical Inference in Pretrained Visual Representations

• arxiv url: http://arxiv.org/abs/2609.08250v1
• Date: Tue, 08 Sep 2026 04:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.581671
• Title: CALIPER: Clean Scenes Cannot Rank Physical Inference in Pretrained Visual Representations
• Title（参考訳）: CALIPER:事前訓練された視覚表現における身体的推論のランク付けができないクリーンなシーン
• Abstract要約: 物体がどれだけスライドするかは、その質量と摩擦に依存します。 物理学を推論するエンコーダと、そうでないエンコーダを区別できないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How far a pushed object slides depends on its mass and friction, which no single image reveals. Pretrained visual encoders are increasingly used as the perception front end of world models for manipulation, and their physical competence is assessed with perturbation benchmarks and linear probes, almost always in a clean, fixed-camera scene. We show that these assessments cannot distinguish an encoder that infers physics from one that does not. CALIPER (calibrate, then predict) is a direct test: an object of unknown mass and friction is struck twice at known speeds, a third strike is shown only up to the moment of contact, and a linear readout on frozen features must predict how far the object slides. Swapping in another object's calibration clips checks that the evidence is actually used. Across 2,000 simulated episodes and eight representations, from V-JEPA 2 to a randomly initialised ViT and raw pixels, calibration adds +0.50 R^2 and the swap removes it. Yet in the clean scene every representation lands within 0.02 R^2 of the ceiling set by true simulator state, because a fixed camera exposes the object's displacement directly in pixel coordinates. Resampling camera, lighting, and clutter for every clip spreads the same representations across 0.50 R^2; when the readout chooses a push speed for a goal distance, V-JEPA 2 misses by 4 mm and the random ViT by 20 mm, no better than ignoring the object. Linear probes track none of this: a change in frame aggregation moves a probe more than pretraining does, and erasing the probed mass direction from the same representation costs nothing in one scene and 0.35 R^2 in the other. Whether a benchmark can rank models is an empirical property, and we give three checks that establish it.
• Abstract（参考訳）: 物体がどれだけスライドするかは、その質量と摩擦に依存します。 事前訓練されたビジュアルエンコーダは、操作のための世界モデルのフロントエンドとしてますます使われ、物理的能力は摂動ベンチマークと線形プローブで評価され、ほぼ常にクリーンで固定されたカメラシーンで評価される。 これらの評価は、物理を推論するエンコーダと、そうでないエンコーダとを区別できないことを示す。 CALIPER (calibrate, then predict) は直接検定であり、未知の質量と摩擦の物体が既知の速度で2回打たれ、第3のストライクは接触の瞬間までしか示されず、凍結した特徴の線形読み出しは物体のスライド距離を予測する必要がある。 別のオブジェクトのキャリブレーションクリップをスワップすると、証拠が実際に使用されていることを確認する。 V-JEPA 2 からランダムに初期化された ViT や生のピクセルまで、2000回以上のシミュレートされたエピソードと8つの表現に対して、キャリブレーションは+0.50 R^2 を加算し、スワップはそれを除去する。 しかし、クリーニングシーンでは、固定カメラが物体の変位を直接ピクセル座標で露光するため、すべての表現が真のシミュレータ状態によって設定された天井の0.02 R^2以内に収まる。 カメラ、照明、散らかしは0.50R^2の範囲に広がり、読み出しがゴール距離のプッシュ速度を選択すると、V-JEPA 2は4mm、ランダムなVTは20mm、オブジェクトを無視する程度である。 フレームアグリゲーションの変化は、事前訓練以上にプローブを移動させ、同じ表現からプローブされた質量方向を消去することは、1つのシーンでは何もコストがかからず、もう1つのシーンでは0.35R^2である。 ベンチマークがモデルをランク付けできるかは経験的特性であり、それを確立するための3つのチェックを与える。

関連論文リスト

• Frame-Synchronous Hand Gesture Detection by Projected Winding Order [0.0]
  我々は、ある共通の運動に対する同期問題、その長い軸の上のオープンハンドの回転を考慮し、それが正確な解を持つことを示す。 正確な基底真理を持つコーパスに対して、クレーターは240の近距離配列において偽陽性のない95%のフリップを検出する。 発生した瞬間の平均6.7ms以内、手が観察される間隔の6分の1である。
  論文  参考訳（メタデータ） (2026-09-07T17:21:42Z)
• Self-Calibrating Dense Displacement Fields for Reliable Co-Registration of Large Optical Satellite Imagery [4.730120849611304]
  共同登録は、光学衛星画像の時間・マルチセンサー利用のほぼすべての基盤となる。 SCDF, トレーニング不要なGPUフリーな推定器で, 動きモデル自体が画素あたりの高密度変位場である。 実際のSentinel Landsat-8/9とNAIP画像から構築された584基の地上トラスペアでは、SCDFは故障のない全てのペアを登録する。
  論文  参考訳（メタデータ） (2026-08-23T08:50:59Z)
• RigidBench: Evaluating Rigid-Body Physics in Video Generation Models [16.53417077740312]
  そこで本研究では,生成した継続と参照ロールアウトを同一の初期フレームと動作記述から比較したシミュレータグラウンドベンチマークを提案する。 同じ100の例で8つのモデルを評価し、これらの側面を分離する10の計測を行った。 完全な微調整により3次元軌道誤差は約20%減少し、SSIMはほとんど変化しない。
  論文  参考訳（メタデータ） (2026-08-16T06:05:20Z)
• Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline [0.10874100424278173]
  ACCIDENT @ CVPRベンチマークは、厳密な制約の下で、この共同予測を正確に評価する。 我々は,凍結したQwen3-VL-32B-インストラクション視覚言語モデルとYOLO11xオブジェクト検出とBoT-SORTトラッキングを組み合わせた,トレーニングフリーで2パスの粗いパイプラインを提案する。 公式の2,027クリップの実CCTVテストセットにおいて,本システムは0.504の3方向高調波平均スコアを達成した。
  論文  参考訳（メタデータ） (2026-08-09T19:08:56Z)
• PersistGS: Differentiable Physics for Object Permanence in 4D Gaussian Splatting [11.523616541218878]
  動的3次元ガウス散乱(3DGS)法は,光度監督を用いた同期マルチカメラ映像から時間変化シーンを再構成する。 本稿では,3次元ガウス散乱と微分可能剛体シミュレーションを結合させることにより,閉塞時の物体の永続性を復元する手法であるtextbfPersistGS$を提案する。 合成シーンの実験では、PersistGS は +2.46dB PSNR で一定の速度外挿性能を発揮し、地上軌道上界の 0.19dB 以内である。
  論文  参考訳（メタデータ） (2026-06-02T10:57:15Z)
• SCOPE: Simulating Cross-game Operations in Playable Environments for FPS World Models [49.15128236103093]
  既存のメソッドは、グローバルにアクションを注入し、シングルタイトルでトレーニングし、密度の高いFPS入力で失敗する。 本稿では,事前学習したビデオ拡散モデルの各トランスブロックに条件付きモジュールを挿入するSCOPEを提案する。 また,フレーム対応のアクションテレメトリを備えたマルチゲームFPSデータセットであるCrossFPSについても紹介する。
  論文  参考訳（メタデータ） (2026-05-22T08:06:37Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• Real-Time Oriented Object Detection Transformer in Remote Sensing Images [36.48263676876599]
  本稿では,初のリアルタイム・エンドツーエンド指向オブジェクト検出装置であるリアルタイム指向オブジェクト検出変換器を提案する。 具体的には、角度の回帰を再構成するために、角度分布の微細化を提案する。 また、トレーニングを安定させ、4つのノイズモードを解析するために、指向性コントラストデノケーションを提案する。
  論文  参考訳（メタデータ） (2026-03-16T16:28:31Z)
• Dynamic View Synthesis from Small Camera Motion Videos [56.359460602781304]
  分布に基づく奥行き正規化に基づく動的3ドルDシーンのための新しいビュー合成を提案する。 また、光線に沿った物体境界がほぼゼロとなる前に空間点の体積密度を強制する制約を導入し、我々のモデルがシーンの正確な幾何学を学べるようにした。 我々は,小さなカメラモーション入力によるシーン表現におけるアプローチの有効性を実証するために,広範囲な実験を行い,その結果を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2025-06-29T09:17:55Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• DORT: Modeling Dynamic Objects in Recurrent for Multi-Camera 3D Object Detection and Tracking [67.34803048690428]
  本稿では、この問題を解決するためにRecurrenT(DORT)の動的オブジェクトをモデル化することを提案する。 DORTは、重い計算負担を軽減する動き推定のために、オブジェクトワイズローカルボリュームを抽出する。 フレキシブルで実用的で、ほとんどのカメラベースの3Dオブジェクト検出器に差し込むことができる。
  論文  参考訳（メタデータ） (2023-03-29T12:33:55Z)
• Enhancing Unsupervised Video Representation Learning by Decoupling the Scene and the Motion [86.56202610716504]
  アクションカテゴリは、アクションが発生するシーンと非常に関連しているため、モデルが、シーン情報のみを符号化したソリューションに分解する傾向がある。 本稿では,シーンと動き(DSM)を2つの簡単な操作で分離し,動き情報に対するモデル注意がより高いようにすることを提案する。
  論文  参考訳（メタデータ） (2020-09-12T09:54:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。